XGBoost预测急诊量：数据驱动的排班决策

背景：急诊排班的难题

墨尔本一家步行上门急诊诊所，每天要拍脑袋决定排几个医生。医生少了，候诊室爆满，患者跑去最近的三甲急诊；医生多了，钱烧得心疼。大多数诊所靠去年数据、直觉和运气来估计，尤其是流感季。

作者想解决的，正是这个“把急诊需求变成可预测数字”的问题。他构建了一套XGBoost预测管道，每天输出患者量预测和置信区间，排班经理可以据此安排医生。

本文是系列第一篇，覆盖数据生成、特征工程、模型训练与评估。第二篇将部署FastAPI后端、React + Tailwind仪表盘以及Supabase日志系统。全部代码已开源在GitHub。

问题本质：急诊预测不同于商场人流

预测急诊量与预测商场客流不一样。商场周二少50个顾客，大不了快餐店多开两个服务员。但急诊排班不足，患者可能等出问题；排班过多，本来就薄的利润更扛不住。这不是单纯的预测练习，而是有真实后果的运营问题。

数据集设计与模拟

由于没有真实数据（即使有也不能公开），作者用合成数据模拟了2023年1月到2025年12月共1096天的日度记录。合成数据的好处是可控信号噪声比，且能清晰展示方法。

上图为日度患者量（浅线）和30天移动平均（红线）。冬季流感推高、春季花粉过敏轻微上扬、夏季平淡，偶尔雷暴哮喘或热浪导致尖刺。

每条记录包含：

• 时间特征：星期几、月份、季度、年周
• 天气：温度、降雨、湿度、天气类型（晴/多云/阴/雨）
• 日历事件：维多利亚州公共假日、学校假期、假日次日
• 特别标记：冬季流感季（7月峰值）、花粉季（10-11月）、雷暴哮喘、极端高温（>35℃）或低温（<5℃）

值得注意的是，一些特征在不同场景下作用相反。例如下雨可能减少娱乐场所客流，但轻微增加急诊需求（滑倒、无法拖延的感染）。作者花时间调整这些方向，否则看似合理的合成数据会导致模型学到错误关系。

患者量生成使用了乘积因子（基准100人/日）：

day_multiplier = {0: 1.15, 1: 1.00, 2: 0.95, 3: 0.95, 4: 1.00, 5: 0.85, 6: 0.75}
df['patients'] *= df['day_of_week'].map(day_multiplier)

season_multiplier = {
    1: 0.85, 2: 0.90, 3: 0.95, 4: 1.00, 5: 1.10, 6: 1.30,
    7: 1.45, 8: 1.35, 9: 1.15, 10: 1.10, 11: 1.05, 12: 0.90
}
df['patients'] *= df['month'].map(season_multiplier)

再加高斯噪声（标准差12%）、2%异常点（1.5-2.5倍）、每日0.01%增长趋势，最终值限制在30-500人/日。

分布右偏（偏度1.14），大多数天集中在100-150人，但流感季长假可出现250+。

特征工程：从31列到87个特征

作者强调：原始数据得到基线预测，特征工程才得到好预测。从31个原始列，通过以下8类生成了87个特征：

• 时间周期性编码（sin/cos处理星期、月份等，避免0和6被误认为距离远）
• 滞后特征（1/2/3/7/14/21/28/60/90天，捕捉短期动量、周周期、季节）
• 滚动统计（3/7/14/30/60/90天均值、标准差、最大、最小，以及指数加权移动平均）
• 交互特征（如“雨天×流感季”、“假日×周一”等）
• 等等

关键技巧：shift(1)防止数据泄露，确保只用预测日前信息。

滚动7/14天均值与患者量的相关性最高（约0.61-0.69），说明近期趋势最重要。

模型训练与对比

采用时间序列切分：最后90天作为测试集（2025-10-03至2025-12-31），前面915天训练。使用TimeSeriesSplit交叉验证（5折，扩窗）。

建立三个基线：

• 全局均值（约130人）
• 上周同日值（lag 7）
• 7天移动平均

三个模型：随机森林（300棵树）、XGBoost（500棵树，学习率0.05，对log1p患者量训练）、Prophet（facebook时间序列模型，使用乘法季节性和外部回归因子）。

结果：

模型	MAE	RMSE	R²	MAPE
XGBoost	17.04	27.69	0.30	11.89%
Prophet	17.98	28.98	0.23	12.84%
随机森林	18.34	29.35	0.21	12.91%
基线（7日MA）	22.93	32.36	0.04	17.18%
基线（均值）	24.04	33.04	-0.00	18.06%
基线（上周同日）	24.09	35.87	-0.18	17.22%

XGBoost最优：MAPE 11.9%意味着平均每天预测误差约15人（基数为130）。相比最好的基线（7日移动平均），MAE从22.93降至17.04，误差降低26%。R²约0.30看似不高，但急诊日波动大，MAPE更能说明实用价值。

XGBoost最贴近真实值的周期性（红为预测，黑为实际）。

模型评估与可解释性（SHAP）

残差分析显示残差基本围绕0，无时间漂移，但模型对高峰日略低估（负偏差约6.5人/天）。因此生产中使用预测区间上界更安全。

使用SHAP解释特征重要性：

is_flu_peak、illness_driver_count、patients_lag_7是驱动预测的主要因素，与临床直觉一致。

还演示了最差预测日的瀑布图，可逐特征查看贡献——这对向临床主任解释“为什么昨天预测偏差大”非常有用。

预测区间：给排班经理一个范围

用自助法（500次重采样）生成80%和95%预测区间。例如：“明天预测145人，80%区间为113-177人”。这比单个数字更有用，排班经理可根据区间上限安排人力（因为缺人风险高得多）。

实际值落在区间内的比例基本符合预期。

从预测到决策：用人梯队分类

将患者量转化为三个排班等级：

• 低量（<80人）：2医生+3护士，常规排班
• 中量（80-150人）：3医生+4护士+额外分诊护士
• 高量（>150人）：4+医生，启动应急方案

这样排班经理不用盯着“145人”这个数字，而是直接知道“今天需要中级梯队”。作者指出，模型正确识别梯队天数的比例约8成（结合80%区间），这比单纯看MAE更有操作意义。

总结

本文从业务问题出发，通过合成数据、特征工程、XGBoost建模、SHAP解释、预测区间和梯队分类，构建了一套可落地的急诊患者量预测系统。MAPE 11.9%意味着每天预测误差约15人，足以支撑“低-中-高”的排班决策。

所有代码已开源，读者可克隆后适配自己的诊所或场地。第二篇将介绍FastAPI部署、React仪表盘和实时监控。

如果你对“如何将预测数字转化为实际排班人数”感兴趣，欢迎留言，作者考虑单独写一篇。